论文部分内容阅读
本文一方面研究了学习理论中以再生核Hilbert空间为背景的最小二乘估计子的上界估计问题，另一方面当假设空间与样本有关时.对基于正则化系数的学习理论首先估计了以再生核Hilbert空间为背景的一般假设P(z，λ)的界，然后引入了一种新的更为普遍的方法给出了以一般核为背景的一般假设P(z，λ)的界.从结构上将本文分为三章.
第一章为绪论.
第二章研究了学习理论中以再生核Hilbert空间为背景的最小二乘估计子的上界及相关问题.
第三章当假设空间与样本有关时，对基于正则化系数的学习理论首先估计了以再生核Hilbert空间为背景的一般假设P(z，λ)的界，继而引入了一种新的更为普遍的算法并给出了以一般核为背景的一般假设P(z，λ)的界.